掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
中醫(yī)入門必背歌訣
-
>
醫(yī)驗集要
-
>
尋回中醫(yī)失落的元神2:象之篇
-
>
補遺雷公炮制便覽 (一函2冊)
-
>
人體解剖學常用詞圖解(精裝)
-
>
神醫(yī)華佗(奇方妙治)
-
>
(精)河南古代醫(yī)家經(jīng)驗輯
基于醫(yī)學影像和基因數(shù)據(jù)的肺癌輔助診斷方法研究 版權(quán)信息
- ISBN：9787523514276
- 條形碼：9787523514276 ; 978-7-5235-1427-6
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
基于醫(yī)學影像和基因數(shù)據(jù)的肺癌輔助診斷方法研究 本書特色
本書作者通過多年的理論研究及項目實踐，聚焦于肺癌的智能診斷方法研究，突出了多角度分析肺癌的重要性。提出了針對早期肺癌的多種創(chuàng)新方法，包括基于影像數(shù)據(jù)的輔助診斷、基于機器學習算法的自動分型和分期，以及利用CT影像預測基因突變的潛力。這些方法有望在肺癌的早期診斷和治療中發(fā)揮重要作用，為患者提供更準確、個性化的醫(yī)療服務。通過理論與實踐的統(tǒng)一，有望在為肺癌智能診斷領(lǐng)域的研究者和從業(yè)者提供全面的解決方案，推動肺癌患者生存率的提高。主要內(nèi)容包括基于超體素3D區(qū)域增長肺結(jié)節(jié)分割方法，基于DNA甲基化進行細粒度的肺腺癌亞型分類模型，基于多組學基因數(shù)據(jù)的改進的多級加權(quán)深度森林模型，多通道多任務的深度學習模型等。
基于醫(yī)學影像和基因數(shù)據(jù)的肺癌輔助診斷方法研究 內(nèi)容簡介
全書由6章組成，其中：第1章主要介紹肺癌研究中利用影像基因等數(shù)據(jù)進行研究的應用領(lǐng)域及相關(guān)概念和理論基礎(chǔ)；第2章針對疑似肺癌的疑難型肺結(jié)節(jié)，提出基于超體素3D區(qū)域增長的疑難型肺結(jié)節(jié)分割方法；第3章針對肺癌的亞型分類問題，提出了一種多級加權(quán)的深度森林模型和基于DNA甲基化進行細粒度的肺腺癌亞型分類；第4章針對肺腺癌復雜的發(fā)病機制，以及使用單一基因數(shù)據(jù)難以獲得滿意的分期結(jié)果，提出了基于多組學基因數(shù)據(jù)的改進的多級加權(quán)深度森林模型IMLW-gcForest以進行分期；第5章針對基因檢測過程存在侵入性、時間長、費用高等問題，提出了多通道多任務的深度學習模型MMDL，利用非小細胞肺癌的CT影像來預測EGFR和KRAS的突變；第6章為總結(jié)與展望。
基于醫(yī)學影像和基因數(shù)據(jù)的肺癌輔助診斷方法研究 目錄
第1章 緒論
1.1 研究背景和意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 肺結(jié)節(jié)分割
1.2.2 肺癌亞型分類
1.2.3 肺癌分期
1.2.4 肺癌影像預測基因突變
1.3 本書主要研究內(nèi)容
1.4 本書的組織結(jié)構(gòu)
第2章 基于超體素3D區(qū)域增長的疑難型肺結(jié)節(jié)分割方法
2.1 引言
2.2 相關(guān)工作
2.3 數(shù)據(jù)預處理
2.3.1 前景區(qū)域的分離及種子點的自動定位
2.3.2 3D掩模的構(gòu)建
2.4 3D超體素的構(gòu)建
2.4.1 超體素的構(gòu)建原理
2.4.2 超體素的構(gòu)建過程
2.5 模糊連通圖的構(gòu)建
2.5.1 模糊鄰接關(guān)系及模糊鄰接度
2.5.2 模糊連通性及模糊連通圖的構(gòu)建
2.6 基于超體素的3D區(qū)域增長
2.7 實驗與結(jié)果
2.7.1 實驗數(shù)據(jù)集及環(huán)境
2.7.2 不同方法的定性評估
2.7.3 不同方法之間的3D分割的單切片結(jié)果比較
2.7.4 不同區(qū)域增長方法之間的定量比較
2.7.5 與相關(guān)研究的比較
2.8 討論
2.8.1 傳統(tǒng)3D區(qū)域增長方法的閾值設(shè)置
2.8.2 參數(shù)γ1和γ2的設(shè)置
2.8.3 所提方法的局限性
2.9 本章小結(jié)
第3章 基于DNA甲基化的MLW-gcForest肺癌亞型分類模型
3.1 引言
3.2 相關(guān)工作
3.3 gcForest模型
3.4 MLW-gcForest模型
3.4.1 權(quán)重α的計算
3.4.2 排序優(yōu)選算法
3.5 實驗與結(jié)果
3.5.1 數(shù)據(jù)集及實驗設(shè)置
3.5.2 與傳統(tǒng)方法的結(jié)果對比
3.5.3 模型處理小樣本數(shù)據(jù)的能力
3.5.4 模型緩解過擬合的風險
3.5.5 與相關(guān)研究的性能對比
3.6 討論
3.6.1 主要參數(shù)設(shè)置
3.6.2 不同組學數(shù)據(jù)分類性能比較
3.7 本章小結(jié)
第4章 基于多組學基因數(shù)據(jù)的IMLW-gcForest肺癌分期模型
4.1 引言
4.2 相關(guān)工作
4.3 IMLW-gcForest模型及多組學決策融合
4.3.1 多組學基因數(shù)據(jù)預處理
4.3.2 IMLW-gcForest
4.3.3 多組學模型決策級融合
4.4 實驗與結(jié)果
4.4.1 數(shù)據(jù)集和實驗設(shè)置
4.4.2 基于基因表達、DNA甲基化、拷貝數(shù)變異的肺腺癌分期模型
4.4.3 基于多組學基因數(shù)據(jù)的肺腺癌分期模型
4.4.4 多組學基因數(shù)據(jù)模型和單種基因數(shù)據(jù)模型的比較
4.4.5 模型在小樣本數(shù)據(jù)集上的有效性
4.4.6 模型防止過擬合的能力
4.5 討論
4.5.1 不同加權(quán)策略下模型的性能對比
4.5.2 隨機森林中決策樹的數(shù)量設(shè)置
4.5.3 與其他分期研究的對比
4.6 本章小結(jié)
第5章 CT影像預測肺癌EGFR/KRAS基因突變的MMDL模型
5.1 引言
5.2 相關(guān)工作
5.3 MMDL模型總體框架
5.4 ROI的提取
5.5 Inception-attention-resnet模型的構(gòu)建
5.5.1 Inception-resnet-V2模型
5.5.2 注意力模塊
5.5.3 Inception-attention-resnet模型
5.6 模型的遷移學習
5.7 多通道決策融合
5.8 實驗與結(jié)果
5.8.1 數(shù)據(jù)集
5.8.2 與傳統(tǒng)方法的比較
5.8.3 與其他深度模型的比較
5.8.4 模型的可視化
5.8.5 多視圖結(jié)果的對比
5.8.6 與相關(guān)研究的對比
5.9 討論
5.9.1 遷移學習對分類結(jié)果的影響
5.9.2 病歷信息對分類結(jié)果的影響
5.9.3 注意力機制對分類結(jié)果的影響
5.10 本章小結(jié)
第6章 總結(jié)與展望
6.1 總結(jié)
6.2 展望
縮略語
參考文獻
1.1 研究背景和意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 肺結(jié)節(jié)分割
1.2.2 肺癌亞型分類
1.2.3 肺癌分期
1.2.4 肺癌影像預測基因突變
1.3 本書主要研究內(nèi)容
1.4 本書的組織結(jié)構(gòu)
第2章 基于超體素3D區(qū)域增長的疑難型肺結(jié)節(jié)分割方法
2.1 引言
2.2 相關(guān)工作
2.3 數(shù)據(jù)預處理
2.3.1 前景區(qū)域的分離及種子點的自動定位
2.3.2 3D掩模的構(gòu)建
2.4 3D超體素的構(gòu)建
2.4.1 超體素的構(gòu)建原理
2.4.2 超體素的構(gòu)建過程
2.5 模糊連通圖的構(gòu)建
2.5.1 模糊鄰接關(guān)系及模糊鄰接度
2.5.2 模糊連通性及模糊連通圖的構(gòu)建
2.6 基于超體素的3D區(qū)域增長
2.7 實驗與結(jié)果
2.7.1 實驗數(shù)據(jù)集及環(huán)境
2.7.2 不同方法的定性評估
2.7.3 不同方法之間的3D分割的單切片結(jié)果比較
2.7.4 不同區(qū)域增長方法之間的定量比較
2.7.5 與相關(guān)研究的比較
2.8 討論
2.8.1 傳統(tǒng)3D區(qū)域增長方法的閾值設(shè)置
2.8.2 參數(shù)γ1和γ2的設(shè)置
2.8.3 所提方法的局限性
2.9 本章小結(jié)
第3章 基于DNA甲基化的MLW-gcForest肺癌亞型分類模型
3.1 引言
3.2 相關(guān)工作
3.3 gcForest模型
3.4 MLW-gcForest模型
3.4.1 權(quán)重α的計算
3.4.2 排序優(yōu)選算法
3.5 實驗與結(jié)果
3.5.1 數(shù)據(jù)集及實驗設(shè)置
3.5.2 與傳統(tǒng)方法的結(jié)果對比
3.5.3 模型處理小樣本數(shù)據(jù)的能力
3.5.4 模型緩解過擬合的風險
3.5.5 與相關(guān)研究的性能對比
3.6 討論
3.6.1 主要參數(shù)設(shè)置
3.6.2 不同組學數(shù)據(jù)分類性能比較
3.7 本章小結(jié)
第4章 基于多組學基因數(shù)據(jù)的IMLW-gcForest肺癌分期模型
4.1 引言
4.2 相關(guān)工作
4.3 IMLW-gcForest模型及多組學決策融合
4.3.1 多組學基因數(shù)據(jù)預處理
4.3.2 IMLW-gcForest
4.3.3 多組學模型決策級融合
4.4 實驗與結(jié)果
4.4.1 數(shù)據(jù)集和實驗設(shè)置
4.4.2 基于基因表達、DNA甲基化、拷貝數(shù)變異的肺腺癌分期模型
4.4.3 基于多組學基因數(shù)據(jù)的肺腺癌分期模型
4.4.4 多組學基因數(shù)據(jù)模型和單種基因數(shù)據(jù)模型的比較
4.4.5 模型在小樣本數(shù)據(jù)集上的有效性
4.4.6 模型防止過擬合的能力
4.5 討論
4.5.1 不同加權(quán)策略下模型的性能對比
4.5.2 隨機森林中決策樹的數(shù)量設(shè)置
4.5.3 與其他分期研究的對比
4.6 本章小結(jié)
第5章 CT影像預測肺癌EGFR/KRAS基因突變的MMDL模型
5.1 引言
5.2 相關(guān)工作
5.3 MMDL模型總體框架
5.4 ROI的提取
5.5 Inception-attention-resnet模型的構(gòu)建
5.5.1 Inception-resnet-V2模型
5.5.2 注意力模塊
5.5.3 Inception-attention-resnet模型
5.6 模型的遷移學習
5.7 多通道決策融合
5.8 實驗與結(jié)果
5.8.1 數(shù)據(jù)集
5.8.2 與傳統(tǒng)方法的比較
5.8.3 與其他深度模型的比較
5.8.4 模型的可視化
5.8.5 多視圖結(jié)果的對比
5.8.6 與相關(guān)研究的對比
5.9 討論
5.9.1 遷移學習對分類結(jié)果的影響
5.9.2 病歷信息對分類結(jié)果的影響
5.9.3 注意力機制對分類結(jié)果的影響
5.10 本章小結(jié)
第6章 總結(jié)與展望
6.1 總結(jié)
6.2 展望
縮略語
參考文獻
展開全部
基于醫(yī)學影像和基因數(shù)據(jù)的肺癌輔助診斷方法研究 作者簡介
董云云，1988年生，2020年畢業(yè)于太原理工大學，獲得工學博士學位，現(xiàn)為太原理工大學軟件學院講師，碩士生導師。長期致力于肺癌的智能輔助診斷研究，主持 基金1項、省部級項1項、校級項目1項，參與多項 和省部級項目。在 外期刊發(fā)表SCI文章10余篇，其中以 作者發(fā)表5篇，發(fā)表 重要學術(shù)會議和期刊論文10余篇。Scientific Reports、BMC Medical Informatics and Decision Making、BMC Pulmonary Medicine等多個 期刊審稿人。申請專利3項，參編計算機專業(yè)相關(guān)教材4部。
書友推薦
- >
莉莉和章魚
- >
羅庸西南聯(lián)大授課錄
- >
伊索寓言-世界文學名著典藏-全譯本
- >
經(jīng)典常談
- >
上帝之肋:男人的真實旅程
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術(shù)叢書(紅燭學術(shù)叢書)
- >
自卑與超越
- >
唐代進士錄
本類暢銷
